KR102206256B1 - 온라인 강의 시스템에서 강사를 추천하는 방법 - Google Patents

온라인 강의 시스템에서 강사를 추천하는 방법 Download PDF

Info

Publication number
KR102206256B1
KR102206256B1 KR1020197000433A KR20197000433A KR102206256B1 KR 102206256 B1 KR102206256 B1 KR 102206256B1 KR 1020197000433 A KR1020197000433 A KR 1020197000433A KR 20197000433 A KR20197000433 A KR 20197000433A KR 102206256 B1 KR102206256 B1 KR 102206256B1
Authority
KR
South Korea
Prior art keywords
instructor
target
student
selected candidate
instructors
Prior art date
Application number
KR1020197000433A
Other languages
English (en)
Other versions
KR20190070911A (ko
Inventor
리앙 신
이딩 리우
드웨이 렝
바오푸 장
Original Assignee
베이징 다 미 테크놀로지 컴퍼니 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 베이징 다 미 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 다 미 테크놀로지 컴퍼니 리미티드
Publication of KR20190070911A publication Critical patent/KR20190070911A/ko
Application granted granted Critical
Publication of KR102206256B1 publication Critical patent/KR102206256B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G06N7/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

본 출원은 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법을 개시한다. 상기 방법은 타깃 수강생의 특성 정보를 획득하는 단계; 상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계; 상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및 계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계를 포함한다.

Description

온라인 강의 시스템에서 강사를 추천하는 방법
본 출원은 2017년 11월 7일에 제출한 제 201711082432.1호, 출원인이 "BEIJING DAMI TECHNOLOGY CO., LTD."인, 발명명칭이 "온라인 강의 시스템에서 강사를 추천하는 방법인", 중국 특허 출원의 우선권을 주장하는 바, 해당 특허 출원의 모든 내용은 참조로 본 출원에 원용된다.
본 출원은 강사를 추천하는 방법에 관한 것으로, 더욱 상세하게는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법에 관한 것이다.
컴퓨터 네트워크 기술이 빠른 속도로 발전하고 또한 온라인 교육에 대한 수요가 증가되면서 시중에는 이미 여러 온라인 강의 시스템이 출시되어 있는데, 예를 들면 사용자한테 온라인으로 과정 수료, 영어 강의 등을 제공하기 위한 것이다.
수강생이 자주적으로 강사를 선택할 수 있는 온라인 강의 시스템에 있어서, 수강생은 흔히 키워드 입력을 통하여 자기가 마음에 드는 강사를 선별한다. 데이터베이스 중의 강사 수량이 부단히 증가함에 따라 수강생의 선별 결과 중의 강사 수량도 점점 방대하여지게 되고 이로 인하여 수강생은 최종적으로 선택할 한 명의 강사를 확정하기 위하여 대량의 강사 정보를 열람하여야 한다. 다른 한편으로, 수강생은 일련의 키워드 사용을 통하여 선별 결과의 수량을 줄일 수 있지만 키워드 수량의 증가는 불가피하게 일부 일정한 연관성이 있는 강사도 배제하게 되며, 이는 선별 결과의 정확성을 낮추게 된다.
때문에 빠른 속도로 대량의 강사 중에서 수강생한테 적합한 강사를 찾아내는 것은 시급히 해결해야 할 과제이다.
상술한 과제를 해결하기 위하여, 본 출원은 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법 및 장치를 제공한다.
본 출원의 일 측면으로, 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법이 제공된다. 상기 방법은 타깃 수강생의 특성 정보를 획득하는 단계; 상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계; 상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및 계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계를 포함한다.
삭제
본 출원의 다른 측면으로, 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 장치가 더 제공된다. 상기 장치는 프로세서 및 저장 장치를 포함하고, 상기 저장 장치는 상기 프로세서가 수행하는 명령을 저장하도록 구성하되, 여기서 상기 프로세서는 타깃 수강생의 특성 정보를 획득하는 단계; 상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계; 상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및 계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계를 수행하도록 구성되어 있다.
본 출원의 또 다른 측면에서, 컴퓨터 판독 가능 매체가 더 제공된다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령을 포함하고, 상기 프로그램 명령은 컴퓨터에 의해 수행되어 이하 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 과정을 수행할 수 있다. 상기 과정은 타깃 수강생의 특성 정보를 획득하는 단계; 상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계; 상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및 계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계를 포함한다.
이로부터 알 수 있는바, 본 출원의 강사를 추천하는 방법에 의하면, 타깃 수강생의 특성 정보에 근거하여 선택 후보 강사를 추천해 줌으로써, 이에 이어서 타깃 수강생이 추천받은 선택 후보 강사에 대한 수강 예약 여부를 결정하도록 할 수 있다. 이는 수강생 수강 예약의 성공률을 효과적으로 높일수 있을 뿐만 아니라 온라인 강의 시스템에 대한 처리 비용도 감소시킬수 있다.
이상은 본 출원에 대한 개요이므로 여기에는 간소화, 개괄 및 세부의 생략이 있을 수 있다. 때문에 본 발명이 속하는 분야의 기술자라면 이러한 설명은 예시적인 목적일 뿐 본원의 청구범위를 한정하기 위한 것이 아님을 알 수 있다. 이러한 개요 부분은 보호 청구 주제의 결정적 특징 또는 필요한 특징을 확정 짓기 위한 것이 아니며, 보호 청구 주제의 범위를 확정 짓기 위한 보조 수단으로 사용하기 위한 것도 아니다.
이하, 도면과 함께 후술되어 있는 설명 및 특허 청구 범위를 참조하면, 본원 청구내용의 상기 특징들 및 그 외의 특징들에 대한 이해가 더욱 명확하고 충분해질 수 있다. 단, 이러한 첨부 도면들은 본원의 일부 실시 예에 관한 예시일 뿐, 본원의 청구범위를 한정하기 위한 것은 아니다. 첨부된 도면을 통하여 본원의 청구내용은 보다 명확하고 상세하게 설명될 것이다.
도1은 본 발명의 일 실시 예에 따른 온라인 강의 시스템을 예시한 것이다.
도2는 본 발명의 일 실시 예에 따른 온라인 강의 시스템에서 타깃 수강생한테 강사를 추천하는 방법을 예시한 것이다.
이하 상세 설명은, 그 일부를 구성하는 첨부 도면을 참조하여 전개된다. 별도의 설명이 없는 한, 첨부 도면 중 유사한 구성요소는 유사한 도면 부호로 표시된다. 상세 설명, 첨부 도면 및 청구범위에 제공된 설명적 및 예시적인 구현은 설명을 위한 것일 뿐, 본 발명의 범위를 한정하기 위한 것이 아니다. 본 출원 주제의 사상 또는 범위를 벗어나지 않는 범주에서 기타 구현과 변화는 모두 가능하며, 본 출원에서 일반적인 설명 또는 도면으로 언급된 각각의 측면에 대하여 다양한 구성, 치환, 조합, 설계를 진행하여 얻은 결과물은 분명히 모두 본 발명의 청구범위에 포함되는 것임을 이해할 수가 있다.
도1은 본 발명의 일 실시 예에 따른 온라인 강의 시스템(10)을 예시한 것이다.
일부 실시예에 있어서, 온라인 강의 시스템(10)은 수강생 기기(12)를 포함할 수 있고, 수강생 기기(12)는 데스크톱 컴퓨터, 랩톱 컴퓨터 또는 기타 컴퓨팅 기기일 수 있으며, 이는 유선/무선 네트워크를 통하여 인터넷(14)에 연결될 수 있다. 일부 다른 실시예에 있어서, 수강생 기기(12)는 스마트 이동통신단말기일 수도 있다. 예를 들면, Android 또는 Apple IOS운영체제를 사용하는 이동통신단말기로서, 이는 무선 네크워크, 예를 들면 무선WiFi 또는 이동통신 네트워크를 통하여 인터넷(14)에 연결될 수 있다.
일부 실시예에 있어서, 온라인 강의 시스템(10)은 강사 기기(18)를 더 포함할 수 있다. 이와 유사하게, 강사 기기(18)도 데스크톱 컴퓨터, 랩톱 컴퓨터 또는 기타 컴퓨팅 기기일 수 있으며, 이는 유선/무선 네트워크를 통하여 인터넷(14)에 연결될 수 있다. 일부 다른 실시예에 있어서, 강사 기기(18)는 스마트 이동통신단말기일수도 있다. 예를 들면, Android 또는 Apple IOS운영체제를 사용하는 이동통신단말기로서, 이는 무선 네크워크, 예를 들면 무선WiFi 또는 이동통신 네트워크를 통하여 인터넷(14)에 연결될 수 있다.
일부 실시예에 있어서, 온라인 강의 시스템(10)은 강의용 서버(16)를 더 포함한다. 강의용 서버(16)는 유선/무선 네트워크를 통하여 인터넷(14)과 연결된다. 일부 실시예에 있어서, 강의용 서버(16)는 자원관리 및 사용자 서비스 제공이 가능한 통상적인 컴퓨터기기일 수 있으며, 이는 프로세서, 저장 장치 및 통상의 컴퓨터구조 중의 기타 임의의 부재를 포함할 수 있다. 온라인 강의 시스템(10)에서, 수강생 기기(12) 및 강사 기기(18)는 모두 인터넷(14)을 통하여 강의용 서버(16)를 방문함으로써 강의용 서버(16)로부터 정보 처리, 데이터 저장과 관리 등 서비스를 제공받을 수 있다.
일부 실시예에 있어서, 온라인 강의 시스템(10)은 수강생과 강사 사이에서 강의 서비스를 제공할 수 있다. 일부 실시예에 있어서, 온라인 강의 시스템(10)의 수강생은 수강생 기기(12)를 통하여 강의용 서버(16)가 제공하는 전체 강사 중에서 마음에 드는 강사 한 명을 선택하여 당해 강사가 제공하는 강의 서비스를 받을 수가 있다. 자기가 마음에 드는 강사를 확정한 후, 수강생은 수강 예약의 방식을 통하여 당해 강사한테 수강 예약 신청을 발송할 수 있다. 강사가 수강생의 수강 예약 신청을 수락하면, 온라인 강의 시스템(10)은 특정된 기간 이내에 수강생과 강사 사이의 강의 서비스를 어레인지 할 수 있다. 일부 실시예에 있어서, 수강생 기기(12)와 강사 기기(18) 사이의 영상통화 기능을 통하여, 수강생과 강사 사이의 영상을 통한 실시간 교류와 소통을 실현할 수 있다. 일 실시 예에 있어서, 수강생은 강의용 서버(16)가 제공하는 선별 기능을 통하여 자기가 마음에 드는 강사를 찾아볼 수 있다. 다른 실시 예에 있어서, 강의용 서버(16)는 능동적으로 수강생한테 수강생이 관심을 가질 수 있는 강사를 추천할 수가 있다.
도2는 본 발명의 일 실시 예에 따른 온라인 강의 시스템에서 타깃 수강생한테 강사를 추천하는 방법(100)을 예시한 것이다. 상기 방법(100)중의 적어도 일부는, 예를 들면, 도1에 예시된 온라인 강의 시스템(10) 중의 강의용 서버(16)에 의하여 수행될 수 있다. 도1을 참조하면, 도2에 예시된 방법(100)은 다음과 같은 단계를 포함한다.
단계(S102), 타깃 수강생의 특성 정보를 획득한다. 일부 실시예에 있어서, 타깃 수강생의 특성 정보는 타깃 수강생의 개인 파라미터 및/또는 강사에 대한 조작 행위 기록을 포함한다.
일부 실시예에 있어서, 수강생은 온라인 강의 시스템에 사용자로 가입한 후, 입력 또는 기타 방식으로 일부 개인 파라미터를 제공할 수 있다. 예를 들면, 수강생은 자신의 연령, 거주지역, 학습 수준, 구매력, 성격, 성별 및 관심 포인트 등을 선택함으로써 자신의 개인 파라미터를 정할 수 있다. 부동한 개인 파라미터는 수강생의 어느 한 방면의 특성을 나타낸다. 이는 온라인 강의 시스템이 부동한 수강생의 특징점을 식별하는데 도움 된다. 예를 들면, 연령이 5세인 수강생과 연령이 8세인 수강생은 언어표현력, 이해력에 있어서 차이가 있게 된다. 이에 온라인 강의 시스템은 부동한 연령의 수강생한테 부동한 서비스 또는 부동한 추천 정보를 제공할 수 있다. 또 다른 예를 들면, 여성 수강생과 남성 수강생은 취미/애호나 사고방식에 있어서 차이가 있게 된다. 이에 온라인 강의 시스템은 부동한 성별에 따라 부동한 서비스 또는 부동한 추천 정보를 제공할 수 있다.
이로부터 알 수 있는바, 수강생마다 부동한 종류의 복수의 개인 파라미터를 가질수 있고, 또한 부동한 종류의 개인 파라미터 조합도 수강생의 특성을 나타낼 수 있다. 예를 들면, 5살짜리 여성 수강생과 8살짜리 남성 수강생한테 각각 제공되는 서비스는 서로 다를 수 있다.
일부 실시예에 있어서, 온라인 강의 시스템(10)은 수강생 데이터베이스를 포함할 수 있다. 이는 강의용 서버(16)에 집적되어 있거나, 또는 강의용 서버에 의해 방문될 수 있다. 수강생 데이터베이스는 당해 온라인 강의 시스템에 가입한 수강생에 대응되는 개인 파라미터를 포함한다.
여기서 설명할 것은, 개인 파라미터는 수강생 스스로가 제공한 표준화 데이터일 수도 있고, 수강생의 보호자가 제공한 표준화 데이터(예를 들면, 복수의 선택 후보 개인 파라미터 중에서 선택한 하나의 적합한 개인 파라미터)일 수도 있다. 일부 실시예에 있어서, 수강생은 일부 개인 묘사 또는 소개를 제공할 수 있고, 온라인 강의 시스템은 하나의 파라미터 추출 프로그램 또는 알고리즘을 제공하여 이러한 개인 묘사 또는 소개로부터 대응되는 개인 파라미터를 추출할 수 있다. 예를 들면, 수강생은 자신의 개인 묘사에서 "저는 상하이에서 왔고, 올해 6세입니다."라고 소개할 수 있고, 그러면 온라인 강의 시스템은 특정된 프로그램 또는 알고리즘에 근거하여 다음과 같은 개인 파라미터를 획득할 수 있다. 거주지역-상하이, 연령-6세.
상술한 수강생이 주동적으로 제공한 개인 파라미터 또는 관련 정보 외에, 온라인 강의 시스템의 사용 과정에, 수강생이 강사에 대한 일부 조작 행위 기록이 발생하게 된다. 일부 실시예에 있어서, 강사에 대한 조작 행위 기록은 열람 행위 기록, 수강 예약 행위 기록 및/또는 팔로잉 행위 기록을 포함할 수 있다. 예를 들면, 수강생의 열람 행위 기록은 수강생이 강사 관련 페이지 열람 횟수를 포함할 수 있고, 수강생의 수강 예약 행위 기록은 수강생이 강사한테 수강 예약을 한 횟수를 포함할 수 있고, 수강생의 팔로잉 행위 기록은 수강생이 강사에 대한 팔로잉 여부를 포함할 수 있다.
구체적으로, 수강생은 온라인 강의 시스템에 로그인하고, 검색을 통하여 일부 강사의 개인 페이지를 열람함으로써 강사의 기본 정보를 알아볼 수가 있다. 예를 들면, 강사의 개인 페이지는 당해 강사의 프로필 사진, 성격, 위치한 구역, 연령, 교육 배경, 강의 경력, 특기, 개강 시간, 수강생 평가, 팔로워 수 등이 포함될 수 있다. 일부 실시예에 있어서, 온라인 강의 시스템은 특정 수강생이 특정 강사의 개인 페이지에 대한 매 한차례의 열람 행위를 기록하게 되고, 이로써 당해 수강생의 열람 행위 기록을 생성한다. 예를 들면, 온라인 강의 시스템은 수강생A가 강사A의 개인 페이지를 10차례, 강사B의 개인 페이지를 5차례 열람한 것 등을 기록할 수 있다. 수강생은 부동한 학습단계에서 부동한 관심 포인트와 학습 목표를 가질 수 있다. 때문에 일부 실시예에 있어서, 수강생의 열람 행위 기록은 단계적인 것, 예를 들면, 최근 한 주, 최근 한 달, 최근 석 달 또는 최근 일 년의 열람 행위 기록일 수 있다. 이로부터 알 수 있는바, 수강생은 서로 다른 시간에 동일 강사에 대하여 수차례 열람할 수 있으므로 열람 행위 기록은 열람 횟수 및/또는 각각의 열람 시간을 포함할 수가 있다.
실제로 수강을 예약하는 과정에서, 자기한테 적합한 강사를 확정한 후, 수강생은 시스템을 통하여 강사한테 수강 예약을 발송하게 되며, 예정된 시간에 당해 강사로부터 강의 서비스를 받게 된다. 일부 실시예에 있어서, 온라인 강의 시스템은 특정 수강생이 특정 강사에 대한 매 한 차례 수강 예약 행위를 기록하게 된다. 예를 들면, 온라인 강의 시스템은 수강생A가 강사A한테 수강 예약을 10차례, 강사B한테 수강 예약을 5차례 발송한 것 등에 대해 기록할 수 있다. 이로부터 알 수 있는바, 어떤 경우에는, 예를 들면, 돌발 상황, 사고, 개인 사정 등 원인으로 인하여 수강생은 수강 예약 후 예정된 시간 대로 수업을 받을 수 없게 된다. 때문에 일부 실시예에 있어서, 수강 예약 행위 기록은 수강 예약 후 제 시간에 수업받지 않은 경우의 수강 예약 행위를 포함하지 않을 수 있다. 그러나 일부 다른 실시예에 있어서, 수강 예약 행위 기록은 수강 예약 후 제 시간에 수업받은 경우와 제 시간에 수업받지 않은 경우의 수강 예약 행위를 포함할 수 있다. 그 외에도, 열람 행위 기록，수강 예약 행위 기록과 같은 기록들은 단계적인 행위 기록일 수도 있고 단계적이 아닌 행위 기록일 수도 있다. 이로부터 알 수 있는바, 수강생은 부동한 시간에 동일한 강사로부터 복수 차례 수업을 받을 수가 있으므로 수강 예약 행위 기록은 수강 예약 횟수 및/또는 매 차례 수강 예약의 구체 시간을 포함할 수 있다.
일부 실시예에 있어서, 수강생은 강사의 개인 페이지를 열람한 후, 당해 강사가 본인에게 적합하다고 생각되면 우선 먼저 팔로잉을 해둘 수가 있다. 예를 들면, 강사의 개인 페이지에는 [팔로우] 버튼이 있을 수 있으며 수강생은 이를 클릭하여 당해 강사를 자신의 팔로잉 리스트에 추가할 수가 있다. 일부 실시예에 있어서, 온라인 강의 시스템은 특정 수강생이 특정 강사에 대한 팔로잉 여부를 기록하게 된다. 예를 들면, 온라인 강의 시스템은 수강생A가 강사A, 강사B, 강사C 등을 팔로잉한 것을 기록할 수 있다.
이로부터 알 수 있는바, 상술한 수강생이 강사에 대한 조작 행위 기록에는 수강생이 강사의 강의 과정에 대한 관심도가 반영되므로 이는 향후의 강사 추천에 활용될 수 있다. 일부 실시예에 있어서, 어느 한가지 조작 행위에 대한 조작 행위 기록을 기반으로 후속 처리를 진행할 수 있고, 일부 다른 실시예에 있어서, 여러 가지 조작 행위의 조합 기록을 기반으로 후속 처리를 진행할 수 있다. 그 외에도, 선택적으로, 부동한 종류의 조작 행위 기록에 대하여 상응하게 우선순위 또는 가중치를 설정할 수 있다. 예를 들면, 열람 행위 및 팔로잉 행위와 달리, 수강 예약 행위는 수강생이 사실상 이미 강사의 수강을 접수하였거나 또는 앞으로 접수하게 되는 것과 같은 의미이므로 이에 대하여서는 가중치를 더 높게 설정할 수가 있다. 그러나 팔로잉 행위에 비하면 열람 행위는 수강생이 현재 강사 선별 중이라는 것밖에 알 수 없으므로 열람한 강사에 대한 만족 여부는 확정할 수가 없는 바, 열람 행위에 대하여서는 가중치를 더 낮게 설정할 수 있다.
추가로 유의할 점은, 각각의 강사에 대한 수강생의 조작 행위도 상응하게 기록된다. 예를 들면, 어느 한 강사는 대응되는 팔로워 기록을 가질 수 있으며, 여기에는 그를 팔로잉하고 있는 모든 수강생의 리스트가 포함된다. 또 예를 들면, 어느 한 강사는 대응되는 강의 기록을 가질 수 있으며 여기에는 당해 강사한테 수강 예약을 한 수강생의 리스트가 포함된다.
다음으로, 단계 (S104)에서는 상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는다. 일부 구현 방식에서, 온라인 강의 시스템은 강사 데이터베이스를 포함한다. 당해 강사 데이터베이스는 수강생이 선택할 수 있는 모든 강사 및 그 강사 개개인이 가진 개인 파라미터를 포함한다.
일부 실시예에 있어서, 강사 데이터베이스에서 선택 후보 강사를 검색하기 위한 타깃 수강생의 특성 정보는 타깃 수강생의 개인 파라미터 및/또는 강사에 대한 조작 행위 기록일 수 있다. 여기서 강사에 대한 조작 행위 기록은 열람 행위 기록, 수강 예약 행위 기록 및/또는 팔로잉 행위 기록을 포함할 수 있다.
일 실시 예에 있어서, 타깃 수강생의 개인 파라미터를 근거로 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트(TList1)를 얻을 수 있다. 예를 들면, 온라인 강의 시스템은 수강생 데이터베이스를 포함할 수 있고, 수강생 데이터베이스에는 전체 수강생의 개인 파라미터, 예를 들면, 연령, 거주지역, 학습 수준, 구매력, 성격, 성별 및 관심 포인트가 기록되어 있다. 일 실시 예에 있어서, 어느 한 수강생의 연령이 6세일 때, 온라인 강의 시스템은 연령이 6세인 전체 수강생이 클릭한 강사의 리스트를 획득할 수 있다. 또 예를 들면, 어느 한 수강생이 상하이에 사는 6살짜리 여자애일 때, 온라인 강의 시스템은 거주지역이 상하이인 모든 수강생이 클릭한 강사, 연령이 6세인 수강생이 클릭한 강사 및 성별이 여성인 수강생이 클릭한 강사를 각각 획득하고, 선형 가중(linear-weighted)의 방법을 적용하여 상하이에 위치한 6세 여자애가 클릭한 강사의 리스트를 얻을 수가 있다. 다른 실시 예에 있어서, 타깃 수강생의 개인 파라미터와 기본적으로 같은 파라미터를 기반으로 강사 리스트를 획득한다. 예를 들면, 상하이에 있는 모든 6세 여자애가 클릭한 강사의 리스트를 얻을 수 있다. 일부 바람직한 실시 예에서 우선 복수 개의 파라미터(예를 들면 n개, 이는 타깃 수강생의 개인 파라미터의 개수 M에 의하여 결정된다. 여기서 n은 M을 초과하지 않는다.)가 같은 상황을 기반으로 강사 리스트를 획득한다. 만약에 복수의 같은 파라미터를 가지는 상황으로부터 획득한 강사 리스트에 포함된 선택 후보 강사 수가 적다면, 같은 파라미터의 수를 줄여서 (예를 들면, n-1, n-2...에서부터 1까지) 강사 리스트를 획득하되, 이를 선택 후보 강사 수가 예정된 요구량에 부합될 때까지 수행한다. 이러한 방식은 선택 후보 강사의 연관성을 높여줄 뿐만 아니라, 파라미터 요구가 과도하게 엄격하여 선택 후보 강사 수를 충분히 얻을 수 없는 상황도 모면할 수가 있다. 이로부터 알 수 있는바, 수강생이 부동한 종류와 수량으로 개인 파라미터를 갖고 있는 경우, 모두 이와 유사한 방법으로 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트TList1를 얻을 수가 있다. 여기서 설명할 것은, 본원에서 언급된 개인 파라미터가 같다는 것은 상기의 기본적으로 같은 경우를 포함한다. 일부 실시예에 있어서, 타깃 수강생의 개인 파라미터와 같거나 또는 기본적으로 같다는 것은 적어도 하나의 개인 파라미터가 같은 경우를 포함한다. 일부 다른 실시예에 있어서, 타깃 수강생 개인 파라미터와 같거나 또는 기본적으로 같다는 것은 적어도 두 개, 또는 세 개의, 또는 더 많은 개인 파라미터가 같은 경우를 포함한다. 일부 실시예에 있어서, 또한 부동한 개인 파라미터에 부동한 우선순위를 설정하여，우선순위가 낮은 개인 파라미터는 상황에 따라 배제할 수가 있다. 특히 우선순위가 높은 파라미터와 매칭되는 선택 후보 강사 수가 적을 때에는, 예를 들면, 연령, 성별 등 파라미터는 더 높은 우선순위로 정할 수가 있는 반면, 거주지역 등은 더 낮은 우선순위로 정할 수 있다.
일 실시 예에 있어서, 타깃 수강생의 열람 행위 기록에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트(TList2)를 얻을 수 있다. 상기 열람 행위 기록은 강사 관련 페이지 열람 횟수를 포함한다. 온라인 강의 시스템은 전체 수강생의 모든 열람 행위 기록을 상응하게 기록하게 된다. 수강생Si에 있어서, 그가 n명의 강사에 대하여 발생한 열람 행위 벡터는 ｛Ti1,Ti2...Tij,...Tin｝일 수가 있고, 여기서 Tij는 수강생Si가 강사Tj에 대하여 발생한 열람 행위의 횟수를 표시한다. 일부 실시예에 있어서, MetaPath방법을 통하여 수강생Si와 강사Tj사이의 열람 행위의 유사도(similarity)를 계산하여 당해 유사도를 Simi1(Si, Tj)로 포지셔닝할 수 있다. MetaPath방법은 이종 정보망(Heterogeneous Information Network, HIN)에서 두 노드사이의 엣지 타입 및 노드 타입의 시퀀스를 나타내는데 사용된다. MetaPath방법은 정보추출, 의사결정 등 분야에 활용될 수 있다. MetaPath방법에 대한 더 많은 정보는 "Discovering Meta-Paths in Large Heterogeneous Information Networks, Changping Meng et. al, World Wide Web Conference 2015, May 18-22, 2015, Florence, Italy"에서 찾아볼 수 있다. 당해 논문의 전체 내용은 인용의 방식으로 본원에 포함되었다.
일부 실시예에 있어서, 타깃 수강생 개인의 열람 행위 기록 외에도 타깃 수강생Si과 연관성이 있는 기타 수강생의 열람 행위 기록을 기반으로 타깃 수강생Si와 강사 사이의 열람 행위의 유사도를 확정할 수 있다. 예를 들면, 수강생Si한테 당해 온라인 강의 시스템의 수강생Sk的열람 행위, 수강 행위, 팔로잉 행위 기록을 추천함으로써 이를 수강생Si와 강사 사이의 열람 행위의 유사도를 확정하는데 사용할 수 있다. 그리고 유사도의 크기를 비교하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트TList2를 얻는다. 예를 들면, 특정된 타깃 수강생S1에 대하여 MetaPath방법으로 n명의 강사와의 n개의 유사도Simi1(S1, T1), Simi1(S1, T2), ..., Simi1(S1, Tn)를 생성하고 n개의 유사도의 크기를 비교하여 타깃 수강생S1에게 추천할 선택 후보 강사를 확정한다.
일부 실시예에 있어서, 타깃 수강생의 수강 행위 기록 및 팔로잉 행위 기록을 근거로 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트TList3와 TList4를 각각 얻는다. TList3 및 TList4를 얻는 방법은 TList2를 얻는 방법과 유사하므로 구체 설명은 생략한다.
일부 실시예에 있어서, TList1, TList2, TList3 및 TList4중의 임의의 하나를 단계(S104)에서의 선택 후보 강사 리스트로 사용할 수 있다. 일부 다른 실시예에 있어서, TList1, TList2, TList3 및 TList4의 집합을 단계(S104)에서의 선택 후보 강사 리스트로 사용할 수 있다. 기타 실시 예에서는 TList1, TList2, TList3 및 TList4중의 임의의 2개 또는 3개 리스트로 이루어진 집합을 단계(S104)에서의 선택 후보 강사 리스트로 사용할 수 있다. 상기와 같이, 일부 실시예에 있어서, 복수 개 리스트의 집합을 사용하는 경우에는 부동한 리스트 중의 요소들은 각각 부동한 가중치와 우선순위를 설정 또는 부여받을 수 있다.
그리고, 단계(S106)에서 상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산한다.
일부 실시예에 있어서, 머신 러닝(machine learning) 분야에서 흔히 사용되는 로지스틱 회귀방법(logistic regression)을 이용하여 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 예측한다. 이로부터 알 수 있는바, 로지스틱 회귀 모델을 구축할 때 사용할 수 있는 특성에는 수강생 특성, 강사 특성 및/또는 수강생-강사연관 특성이 포함된다. 일부 실시예에 있어서, 수강생 특성은 연령, 거주지역, 학습 수준, 구매력, 성격, 성별 및 관심 포인트와 같은 파라미터 중 적어도 하나를 포함할 수 있다. 예를 들면, 어느 한 수강생David는 연령이 9세인 남성으로, 베이징시 뚱청구에 거주하며 가정이 부유하다(즉, 구매력이 높다). 이러한 경우에는 [student_age:9, student_gender:male, student_area:Beijing, student_purchase:high]등의 key_value의 집합의 형식으로 이 수강생의 특성을 표시할 수 있다. 강사 특성은 연령, 거주지역, 근무경력 연수, 졸업 학교, 댓글 수, 평점 값, 열람자 그룹, 입사한 일수 및 팔로워 수와 같은 파라미터 중 적어도 하나를 포함할 수 있다. 예를 들면, 어느 한 강사 Grace는 연령30세인 여성으로, 미국 LA에 거주하며 캘리포니아 주립 대학을 졸업하였고 강의에 근무한지 8년으로 지금까지 수강생으로부터 받은 평균 평점은 4.99分(5점 만점)이다. 이러한 경우에는 [teacher_age:30, teacher_gender:female, teacher_area: Los Angeles, teacher_experience:8, teacher_rating:4.99]등 key_value의 집합의 형식으로 당해 강사의 특성을 표시할 수 있다. 강사-수강생 연관 특성은 수강생 열람, 수강생 수강 예약, 수강생 팔로잉, 수강생 평가 및 강사 평가와 같은 파라미터 중 적어도 하나를 포함할 수 있다. 예를 들면, 상기의 수강생David한테 있어서, 강사Grace는 David의 선택 후보 강사 중 한 명일 수 있고, 또한 David의 전체 수강 예약 중 80%가 Grace의 강의 과정이면, 수강생-강사 연관 특성 중 수강생 수강 예약 (수강생이 강사에 대한 선호도를 나타냄)이라는 특성을0.8로 설정하는 등의 방식으로 표시 할 수 있다. 이로부터 알 수 있는바, 수강생 특성, 강사 특성 및/또는 수강생-강사 연관 특성에는 상술한 특성 이외에도 기타 다른 특성이 포함될 수 있다. 예를 들면, 수강생 특성 중의 연령, 성별, 거주지역 및 구매력, 그리고 강사 특성 중의 연령, 성별, 거주지역, 근무경력 연수 및 평점 값, 그리고 수강생-강사 연관 특성 중의 수강생 수강 예약을 선택하여 상술한 열 개의 특성으로 로지스틱 회귀 모델을 구축하여, 타깃 수강생이 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산할 수 있다. 상술한 것처럼, 수강생David와 강사Grace라는 수강생과 강사 쌍(pair)에 있어서는, [student_age:9, student_gender:male, student_area:Beijing, student_purchase:high, teacher_age:30, teacher_gender:famale, teacher_area: Los Angeles, teacher_experience:8, teacher_rating:4.99, student_teacher_favour:0.8]로 이 수강생과 강사pair을 표시한 후, 연속 특성 이산화와 원-핫-인코딩(one-hot-encoding)을 통하여 [student_age_9:1,student_gender_male:1,student_area_Beijing:1,student_purchase_high:1,teacher_age_30:1,teacher_gender_famale:1,teacher_area_Los Angeles:1,teacher_experience_8:1,teacher_rating_(4-5]:1,student_teacher_favour_(0.7,0.8]:1] 와 같은 형태의 고차원 희소 벡터 하나를 얻을 수 있다. 같은 방법과 절차는 기타의 수강생-강사 쌍에 적용되어 대량의 샘플 데이터를 얻을 수 있고 이로써 로지스틱 회귀 모델을 구축할 수 있다.
일부 실시예에 있어서, 수강생 특성, 강사 특성 및/또는 수강생-강사 연관 특성 사이의 교차 특성을 사용하여 로지스틱 회귀 모델을 구축할 수 있다. 이로부터 알 수 있는바, 수강생 특성, 강사 특성 및/또는 수강생-강사 연관 특성 중의 임의의 특성은 모두 선택되어 교차 특성으로 사용될 수 있다. 예를 들면, 수강생 연령과 강사 연령을 선택하여 교차하거나, 또는 수강생 학습 수준과 강사 근무경력 연수를 교차할 수 있다. 특성의 교차는 부동한 특성사이에서 교호를 일으킴으로, 이로써 비선형을 도입할 수 있다.
일부 실시예에 있어서, 부동한 교차 특성을 사용하여 복수 개의 로지스틱 회귀 모델을 구축함으로써 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 각각 예측할 수 있다. 바람직한 실시 예에서는 곡선 아래 면적(Area Under Curve, AUC) 계산법을 사용하여 각각의 로지스틱 회귀 모델을 평가하고, 평가 점수가 가장 높은 로지스틱 회귀 모델을 사용하여 수강 예약 확률을 예측한다. 예를 들면, 수강생 특성과 강사 특성 중의 수강생 수준과 강사 근무경력 연수를 교차 특성으로 이용하거나, 수강생 특성과 강사 특성 중의 수강생 성별과 강사 성별을 교차 특성으로 이용하거나, 또는 수강생 특성과 강사 특성 중의 수강생 수준과 강사 연령을 교차 특성으로 이용하면 세 소스의 샘플 데이터를 얻게 되며, 이로써 3개의 부동한 로지스틱 회귀 모델을 구축할 수 있다. 이 3개의 로지스틱 회귀 모델은 부동한 3개의 교차 특성을 각각 사용하고 또 이 3개의 로지스틱 회귀 모델을 사용하여 타깃 수강생이 선택 후보 강사 리스트중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산한다. 마지막으로, AUC를 사용하여 이 3개의 로지스틱 회귀 모델을 평가하고 가장 높은 평점을 받은 로지스틱 회귀 모델을 선택하여 기본 특성 계산을 하여 얻은 확률을 뒤이은 단계에 적용한다.
단계(S108)에서, 계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공한다.
일부 실시예에 있어서, 선택 후보 강사에 대하여 우선순위를 매긴 후, 타깃 수강생에게 수강 예약 확률이 가장 높은 Top 20명의 강사를 추천한다. 다시 말해서, 타깃 수강생한테 제공된 순위 정열된 선택 후보 강사 리스트에는 20명의 강사가 포함되는 것이다. 다른 실시 예에 있어서, 타깃 수강생한테 제공된 순위 정열된 선택 후보 강사 리스트에 포함된 강사의 수는 20명보다 더 많거나 더 적을 수 있다.
이로부터 알 수 있는바, 획득한 선택 후보 강사 리스트는 예를 들면 타깃 수강생의 수강생 기기에 제시될 수 있으며, 타깃 수강생은 각각의 선택 후보 강사의 소개 정보를 열람함으로써 어느 한 명 또는 여러 명의 선택 후보 강사한테 수강 예약을 할지 여부를 결정할 수 있다. 일부 실시예에 있어서, 타깃 수강생은 선택 후보 강사한테 수강 예약 요청을 발송하는 것을 통하여 수강 예약을 할 수 있고, 이러한 요청을 받은 강사가 수강 예약 요청을 수락하면 수강 예약이 성공한 것이다. 이와 반대로, 만약에 강사가 개강 시간 등 문제로 인하여 수강 예약 요청의 시간에 따라 수업을 하지 못할 때에는 강사는 수강 예약을 거절할 수 있거나 또는 새로운 개강 시간을 제안하여 타깃 수강생이 확인할 수 있도록 할 수 있다. 일부 다른 실시예에 있어서, 수강생에게 선택 후보 강사 리스트를 제시하는 동시에, 시스템으로부터 각각의 선택 후보 강사가 미래의 일정 기간이내(어느 하루, 일 주일, 두 주일 또는 기타 기간)의 현재 선택 가능한 개강 시간을 도출하여, 수강생이 이 중에서 적합한 개강 시간을 선택할 수 있도록 한다. 이렇게 하면, 수강생은 선택 후보 강사 및 대응되는 개강 시간을 선택하고 나면, 강사한테 재확인받을 필요가 없이 수강생의 수강 예약 조작은 바로 성공할 수 있다.
일부 실시예에 있어서, 본원은 명령을 포함하는, 컴퓨터 판독 가능한 비휘발성 저장 매체를 더 제공한다. 예를 들면, 이는 명령을 포함하는 저장 장치일 수 있다. 상술한 명령은 예를 들면 도1에 도시된 강의용 서버(16)의 프로세서에 의하여 수행되어 도2에 도시된 방법(100)을 구현할 수 있다. 예를 들면, 컴퓨터 판독 가능한 비휘발성 저장 매체는 ROM, 랜덤 액세스 메모리(RAM), CD-ROM, 자기 테이프, 플래시 메모리, 하드 디스크 드라이브, 플로피 디스크 또는 광 저장 장치 등 일 수 있다.
유의할 점은, 상기의 상세 설명에서 본 출원의 실시 예의 네트워크 모니터링 기기의 일부 모듈 또는 서브 모듈에 대하여 언급이 있었으나，이러한 구분은 예시적인 것일 뿐 필수적인 것이 아니다. 실제로, 본원의 실시 예에 의하면，상기 설명된 두 개 또는 그 이상의 모듈의 특징 및 기능은 하나의 모듈에서 구현될 수 있다. 이와 반대로, 상기 하나의 모듈의 특징 및 기능도 복수의 모듈에 할당되어 구현될 수 있다.
이외에도, 첨부 도면에서 본원 방법의 절차는 특정된 순서로 도시 되어 있지만, 이는 본 발명을 구현하여 원하는 결과를 도출함에 있어서 상기의 특정 순서라든가 상기의 모든 절차가 반드시 필수적임을 요구하거나 암시하기 위한 것이 아니다. 이와 반대로, 흐름도에서 설명한 수행 절차는 그 순서 변경이 가능하며, 부가적으로 또는 선택적으로, 일부 절차를 생략할 수도 있고, 복수의 절차를 하나의 절차로 병합할 수도 있고, 그리고/또는 하나의 절차를 복수의 절차로 분할하여 수행할 수도 있다.
본 기술 분야의 통상의 기술자라면 본 명세서 및 첨부 도면, 그리고 첨부된 청구범위에 대한 연구를 통하여 본원에 개시된 구현방식에 대한 기타 변형을 이해하고 구현하는 것이 가능하다. 청구범위에서, "포함하다"라는 용어의 사용은 기타 요소나 절차를 배제하기 위한 목적이 아니며, "일", "하나" 등의 사용은 수식 대상이 복수인 경우를 배제하지 않는다. 본 발명의 실제 활용에 있어서, 하나의 부재는 청구범위에서 인용한 복수의 기술특징에 관련된 기능을 수행할 수 있다. 청구범위에 사용된 임의의 첨부 도면 기호는 청구범위에 대한 한정으로 이해되어서는 안된다.

Claims (15)

  1. 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법에 있어서,
    타깃 수강생의 특성 정보를 획득하는 단계;
    상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계;
    상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및
    계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계를 포함하되,
    상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계는
    로지스틱 회귀방법을 사용하여 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 예측하는 단계를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  2. 제1항에 있어서,
    상기 타깃 수강생의 특성 정보는
    타깃 수강생의 개인 파라미터 및/또는 강사에 대한 조작 행위 기록을 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  3. 제2항에 있어서,
    상기 타깃 수강생의 개인 파라미터는
    연령, 거주지역, 학습 수준, 구매력, 성격, 성별 및 관심 포인트와 같은 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  4. 제2항에 있어서,
    상기 타깃 수강생의 특성 정보는 타깃 수강생의 개인 파라미터를 포함하고,
    상기 타깃 수강생의 특성 정보에 근거하여 상기 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하는 단계는
    수강생 데이터베이스에서 타깃 수강생의 수강 예약 행위 기록 및/또는 같은 개인 파라미터를 가진 기타 수강생의 수강 예약 행위 기록을 획득하고 상기 수강 예약 행위 기록에 근거하여 상기 강사 데이터베이스 중의 강사에 대하여 스크리닝함으로써 상기 타깃 수강생과 매칭하는 선택 후보 강사를 확정하는 단계를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  5. 제2항에 있어서,
    상기 타깃 수강생의 강사에 대한 조작 행위 기록은 열람 행위 기록, 수강 예약 행위 기록 및/또는 팔로잉 행위 기록을 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  6. 제5항에 있어서,
    상기 열람 행위 기록은 강사 관련 페이지 열람 횟수를 포함하고,
    상기 수강 예약 행위 기록은 강사한테 수강 예약을 한 횟수를 포함하고,
    상기 팔로잉 행위 기록은 강사에 대한 팔로잉 여부를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  7. 제2항에 있어서,
    상기 타깃 수강생의 특성 정보는 강사에 대한 조작 행위 기록을 포함하고, 상기 타깃 수강생의 특성 정보에 근거하여 상기 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하는 단계는
    수강생 데이터베이스에서 전체 수강생의 같은 유형의 조작 행위 기록을 획득하여 수강생별 부동한 강사에 대한 조작 행위의 유사도를 계산하는 단계; 및
    계산하여 얻은 조작 행위 유사도에 근거하여 상기 강사 데이터베이스 중의 강사에 대하여 스크리닝함으로써 상기 타깃 수강생과 매칭하는 선택 후보 강사를 확정하는 단계를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  8. 삭제
  9. 제1항에 있어서,
    로지스틱 회귀방법을 사용하여 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 예측하는 단계는
    수강생 특성, 강사 특성 및/또는 강사-수강생 연관 특성 사이의 교차 특성을 사용하여 로지스틱 회귀 모델을 구축하는 단계를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  10. 제9항에 있어서,
    상기 수강생 특성은
    연령, 거주지역, 학습 수준, 구매력, 성격, 성별 및 관심 포인트와 같은 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  11. 제9항에 있어서,
    상기 강사 특성은
    연령, 거주지역, 근무경력 연수, 졸업 학교, 댓글 수, 평점 값, 열람자 그룹, 입사한 일수 및 팔로워 수와 같은 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  12. 제9항에 있어서,
    상기 강사-수강생 연관 특성은
    수강생 열람, 수강생 수강 예약, 수강생 팔로잉, 수강생 평가 및 강사 평가와 같은 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  13. 제9항에 있어서,
    로지스틱 회귀방법을 사용하여 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 예측하는 단계는
    곡선 아래 면적 계산법을 사용하여 로지스틱 회귀 모델을 평가하되, 평가 점수가 가장 높은 로지스틱 회귀 모델을 사용하여 수강 예약 확률을 예측하는 단계를 더 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 방법.
  14. 프로세서; 및
    저장 장치를 포함하고, 상기 저장 장치는 상기 프로세서가 수행하는 명령을 저장하도록 구성하되, 여기서
    상기 프로세서는
    타깃 수강생의 특성 정보를 획득하는 단계;
    상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계;
    상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및
    계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계를 수행하도록 구성되되,
    상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계는,
    로지스틱 회귀방법을 사용하여 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 예측하는 단계를 포함하는 것을 특징으로 하는 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 장치.
  15. 프로그램 명령을 포함하고, 상기 프로그램 명령은 컴퓨터에 의해 수행되어 이하 온라인 강의 시스템에서 타깃 수강생에게 강사를 추천하는 과정을 수행할 수 있되, 상기 과정은
    타깃 수강생의 특성 정보를 획득하는 단계;
    상기 타깃 수강생의 특성 정보에 근거하여 강사 데이터베이스에서 매칭되는 선택 후보 강사를 검색하여 선택 후보 강사를 적어도 한 명 포함하는 선택 후보 강사 리스트를 얻는 단계;
    상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계; 및
    계산하여 얻은 확률에 근거하여 상기 강사 리스트 중의 선택 후보 강사에 대하여 순위를 정렬하고 타깃 수강생에게 순위 정열된 선택 후보 강사 리스트를 제공하는 단계;를 포함하되,
    상기 타깃 수강생이 상기 선택 후보 강사 리스트 중의 각각의 선택 후보 강사한테 수강을 예약하는 확률을 계산하는 단계는
    로지스틱 회귀방법을 사용하여 타깃 수강생이 선택 후보 강사한테 수강을 예약하는 확률을 예측하는 단계를 포함하는 것을 특징으로 하는 컴퓨터 판독 가능 매체.
KR1020197000433A 2017-11-07 2018-07-09 온라인 강의 시스템에서 강사를 추천하는 방법 KR102206256B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201711082432.1A CN110019392B (zh) 2017-11-07 2017-11-07 在网络教学系统中推荐教师的方法
CN201711082432.1 2017-11-07
PCT/CN2018/094974 WO2019091131A1 (zh) 2017-11-07 2018-07-09 在网络教学系统中推荐教师的方法

Publications (2)

Publication Number Publication Date
KR20190070911A KR20190070911A (ko) 2019-06-21
KR102206256B1 true KR102206256B1 (ko) 2021-01-22

Family

ID=64949133

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197000433A KR102206256B1 (ko) 2017-11-07 2018-07-09 온라인 강의 시스템에서 강사를 추천하는 방법

Country Status (7)

Country Link
US (1) US10671620B2 (ko)
EP (1) EP3511882A4 (ko)
JP (1) JP6842538B2 (ko)
KR (1) KR102206256B1 (ko)
CN (1) CN110019392B (ko)
TW (1) TW201923696A (ko)
WO (1) WO2019091131A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102519461B1 (ko) 2022-10-28 2023-04-10 주식회사 어썸스쿨 교육 학습 성취율 기반의 강사 훈련을 통한 강사 매칭 시스템

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11836683B2 (en) * 2018-01-05 2023-12-05 Wyn.Net, Llc Systems and methods for electronic lesson management
US20200250608A1 (en) * 2019-01-31 2020-08-06 Dell Products L.P. Providing feedback by evaluating multi-modal data using machine learning techniques
CN112149941A (zh) * 2019-06-28 2020-12-29 上海掌学教育科技有限公司 一种智能排课系统和方法
CN110442794B (zh) * 2019-08-12 2023-03-31 上海时廊人工智能科技有限公司 一种分析师画像系统的构建方法
CN110751364A (zh) * 2019-09-10 2020-02-04 北京字节跳动网络技术有限公司 一种获取后备教师的方法、装置、介质和电子设备
CN110704737B (zh) * 2019-09-29 2022-10-11 百度在线网络技术（北京）有限公司 线上教学资源的匹配方法、装置、设备和介质
CN110766577B (zh) * 2019-10-16 2021-10-12 湖北美和易思教育科技有限公司 一种基于大数据平台的教师集群管理系统
CN110767009A (zh) * 2019-11-27 2020-02-07 洛阳师范学院 一种教学用师生互动系统
KR102414966B1 (ko) * 2019-11-29 2022-07-04 주식회사 플랙스 스마트 디바이스 기반 단위영역별 콘텐츠 제작이 가능한 디지털 학습 서비스 제공 방법
CN110909248A (zh) * 2019-12-03 2020-03-24 北京明略软件系统有限公司 一种教师推荐方法和装置
CN110942687A (zh) * 2019-12-26 2020-03-31 上海乂学教育科技有限公司 教学一体机及教学方法
KR102306841B1 (ko) * 2020-03-06 2021-09-29 주식회사 자란다 유아동의 방과 후 교육 매칭 방법 및 시스템
CN111223020A (zh) * 2020-03-20 2020-06-02 上海乂学教育科技有限公司 教学信息管理系统
KR102457945B1 (ko) * 2020-03-31 2022-10-24 이다커뮤니케이션즈(주) 퍼소나 모델 매칭을 이용한 아동-교사간 대면 방식 맞춤 컨텐츠 제공 장치 및 방법
US20220013029A1 (en) * 2020-07-07 2022-01-13 eLearning IP, LLC Augmented video interaction learning analysis platform
CN112152821B (zh) * 2020-09-23 2023-03-28 青岛海尔科技有限公司 定向通信方法和装置、存储介质及电子设备
CN112163119B (zh) * 2020-09-29 2021-10-26 食安快线信息技术(深圳)有限公司 大数据在线教育平台网课优化方法、系统及电子设备
CN112862643A (zh) * 2021-03-01 2021-05-28 深圳市微幼科技有限公司 一种多媒体远程教育平台系统
CN113434560A (zh) * 2021-05-28 2021-09-24 深圳思为科技有限公司 排序方法、电子设备及相关产品
US11386368B1 (en) * 2022-03-04 2022-07-12 John Schneider Method for matching students with teachers to achieve optimal student outcomes
KR102552867B1 (ko) * 2022-12-20 2023-07-10 (주)위치스컬쳐 인공지능 모델을 이용한 사용자 성격 유형 분석 결과 맞춤형 악기, 강사 및 연습곡 추천 방법, 장치 및 시스템
CN116384840B (zh) * 2023-05-29 2023-08-22 湖南工商大学 一种课程推荐方法及相关设备
CN117172427B (zh) * 2023-11-01 2024-03-15 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质
CN117196259B (zh) * 2023-11-01 2024-02-02 湖南强智科技发展有限公司 一种智能提升高校教学任务安排的方法、系统及设备

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2418330A1 (en) * 2000-07-18 2002-01-24 Homework911.Com, Inc. Interactive online learning with student-to-tutor matching
JP2003132361A (ja) * 2001-10-29 2003-05-09 Sharp Corp オブジェクト選択装置および方法
JP2003241876A (ja) * 2002-02-20 2003-08-29 Fuji Xerox Co Ltd 遠隔操作機器表示装置及び遠隔操作機器表示方法
CA2648075A1 (en) * 2006-03-31 2007-10-18 Duane Viazanko Hybrid system and method for offering in-center and online learning sessions
US20100010914A1 (en) * 2006-12-15 2010-01-14 Nam-Kyo Park Apparatus and method for recommending lecture tailored to person, and connection terminal thereof
US8001056B2 (en) * 2008-09-19 2011-08-16 Yahoo! Inc. Progressive capture of prospect information for user profiles
JP5030000B2 (ja) * 2009-03-31 2012-09-19 Ｎｅｃフィールディング株式会社 教育支援システム、方法、及びプログラム
KR20120076697A (ko) * 2010-08-18 2012-07-09 병무 김 교육 제공 방법 및 교육 제공 서버
CN104937511A (zh) * 2013-02-14 2015-09-23 发纮电机株式会社 可编程显示器,以及其程序
JP6158617B2 (ja) * 2013-07-11 2017-07-05 株式会社キャニオン・マインド 教育支援システム
US20150154721A1 (en) * 2013-12-02 2015-06-04 Talksession, Inc. System, apparatus and method for user to obtain service from professional
US20160267615A1 (en) * 2014-03-10 2016-09-15 Amit Mital Calculating an individual's national, state and district education and education environment index and recommending statistically proven methods of improvement tailored to input from a user such as a child's parent
CN103995839A (zh) * 2014-04-30 2014-08-20 兴天通讯技术（天津）有限公司 基于协同过滤的商品推荐优化方法和系统
US10354206B2 (en) * 2014-10-02 2019-07-16 Airbnb, Inc. Determining host preferences for accommodation listings
US10223742B2 (en) * 2015-08-26 2019-03-05 Google Llc Systems and methods for selecting third party content based on feedback
KR20170043824A (ko) * 2015-10-14 2017-04-24 김범준 온라인 학습 관리 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
CN105512256A (zh) * 2015-12-01 2016-04-20 深圳拼课邦科技有限公司 讲师信息推送方法及装置
US9767437B2 (en) * 2015-12-31 2017-09-19 Bryah Hr Solutions-Logistics, Llc Method and system for matching job seekers with job providers
CN105761182A (zh) * 2016-03-02 2016-07-13 深圳青豆教育科技有限公司 在线课程预约老师的方法及装置
US20170308866A1 (en) * 2016-04-22 2017-10-26 Microsoft Technology Licensing, Llc Meeting Scheduling Resource Efficiency
CN105787770A (zh) * 2016-04-27 2016-07-20 上海遥薇(集团)有限公司 一种基于nmf算法的大数据商品及服务推荐方法及系统
CN105824979A (zh) * 2016-06-07 2016-08-03 中国联合网络通信集团有限公司 课程推荐方法及其系统
CA3027129A1 (en) * 2016-06-21 2017-12-28 Pinpoint Predictive, Inc. Predicting psychometric profiles from behavioral data using machine-learning while maintaining user anonymity
CN106778894A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种学术异构信息网络中作者合作关系预测的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102519461B1 (ko) 2022-10-28 2023-04-10 주식회사 어썸스쿨 교육 학습 성취율 기반의 강사 훈련을 통한 강사 매칭 시스템

Also Published As

Publication number Publication date
KR20190070911A (ko) 2019-06-21
US20190138614A1 (en) 2019-05-09
EP3511882A1 (en) 2019-07-17
EP3511882A4 (en) 2019-07-17
US10671620B2 (en) 2020-06-02
TW201923696A (zh) 2019-06-16
WO2019091131A1 (zh) 2019-05-16
CN110019392B (zh) 2021-07-23
JP6842538B2 (ja) 2021-03-17
CN110019392A (zh) 2019-07-16
JP2019537795A (ja) 2019-12-26

Similar Documents

Publication Publication Date Title
KR102206256B1 (ko) 온라인 강의 시스템에서 강사를 추천하는 방법
Tinati et al. Designing for citizen data analysis: A cross-sectional case study of a multi-domain citizen science platform
Fernandez et al. Examining relationships between soft skills and occupational outcomes among US adults with—and without—university degrees
US20180261118A1 (en) Systems And Methods For Autonomous Creation Of Personalized, Self-Updating Curricula
US20140074740A1 (en) Systems and methods for providing career advice to college students
US20190385469A1 (en) Matching a job profile to a candidate
Bedenlier Internationalization within higher education and its influence on faculty: experiences of Turkish academic staff
CN113656687B (zh) 基于教研数据的教师画像构建方法
US11551187B2 (en) Machine-learning creation of job posting content
Koler-Povh et al. Information literacy of doctoral students in engineering and the librarian’s role
Bouzayane et al. A preference ordered classification to leader learners identification in a MOOC
US20180253811A1 (en) Career gap identifier
Saltzman et al. Simulating student flow through a college of business for policy and structural change analysis
Cohen et al. Science achievement within the United States: a view through affective and demographic lenses
Bahel et al. Knowledge discovery in educational databases in indian educational system: A case study of ghrce, nagpur
Nazim et al. Librarians self-efficacy in ICT-based library operations and services: A survey of librarians working in libraries of Aligarh Muslim University Library System
Bate et al. Developing a crowdsourcing approach and tool for pharmacovigilance education material delivery
Revilla Muñoz et al. The skills, competences, and attitude toward information and communications technology recommender system: an online support program for teachers with personalized recommendations
Nelson et al. Information-seeking behaviour of students at a Caribbean University during the COVID-19 pandemic
Song Student-initiated use of Facebook for learning online journalism
KR102431304B1 (ko) 온라인 논술 첨삭 및 강의 서비스 제공 시스템
Paladino et al. Card sorting in an online environment: Key to involving online-only student population in usability testing of an academic library web site?
Amara et al. Dynamic group formation in mobile computer supported collaborative learning environment
KR20210147269A (ko) 온라인 뷰티 강의 시스템에서 뷰티 강사를 추천하는 방법
Černá et al. Software applications in academic setting awareness and satisfaction

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant